基于HHT和改进PNN的CSI人体动作识别研究

为了有效判别真实摔倒动作与疑似摔倒动作、提高动作识别准确度,提出基于希尔伯特黄变换(Hilbert-Huang transform,HHT)和改进概率神经网络(probabilistic neural networks,PNN)的信道状态信息(channel state information,CSI)人体动作识别算法。对CSI的幅度与相位融合信号进行数据预处理,利用HHT来提取区分人体动作信息的瞬时幅值和瞬时频率作为分类特征构建特征矩阵,在遗传算法(genetic algorithm,GA)优化的PNN神经网络中训练出能有效检测真实摔倒和疑似摔倒动作的GA-PNN人体动作识别模型;利用训练好的识别模型对输入的CSI数据进行摔倒动作的判别。仿真实验表明,提出的算法能有效地检测真实摔倒和疑似摔倒动作,其识别准确度可达到97.18%,且误报率较低。     

瓦斯抽放管路流量测量的多孔孔板流量计性能

针对标准孔板流量计对瓦斯抽放管路直管段长度要求严格、制作成本高的问题,基于多孔孔板的结构与原理,提出采用多孔孔板流量计测量瓦斯抽放管路流量的方法。实验表明,多孔孔板流量计对直管段长度要求低,量程范围宽,线性度高,可在煤矿企业推广应用。     

多孔孔板流量计流场仿真

为准确计算多孔孔板流量计流场,采用Standard k-ω模型、SST(剪切应力传输)k-ω模型、Standard k-ω+SST k-ω(Standard k-ω模型的计算结果作为SST k-ω模型仿真计算的初始值)组合模式分别对100,mm口径、节流比为0.6的3种结构多孔孔板流量计流场进行数值计算,并结合射流理论以及实流实验结果对数值计算结果进行分析.结果表明:对于中心节流孔与环形排列孔之间距离较小的多孔孔板,SST k-ω模型收敛性较好;反之,SST k-ω模型计算结果收敛困难,Standard k-ω+SST k-ω组合模式在保证计算精度的前提下改善了收敛效果.相对于Standard k-ω模型,SST k-ω模型更适合计算多孔孔板流量计的流场,计算结果符合射流理论,能反映出不同多孔孔板流出系数线性度的差异,与实流实验结果的最大误差为4.2%.     

瓦斯抽放管路流量测量的涡街流量计设计

涡街流量计的仪表系数只能在较窄的范围内保持恒定,从而制约了其测量范围。利用仪表系数非线性修正的方法对其进行改进。实验证明,改进后的涡街流量计,量程范围为6.05~497.79 L/h,线性度为1.111%,在保证精度的前提下可以有效的扩展量程范围,适合在煤矿瓦斯抽放管路中使用。     

煤与瓦斯突出声发射的神经网络预测方法

以自适应神经网络的基本原理为基础,以声发射总事件、大事件、能率时间序列为基础数据,将神经网络模型应用于煤与瓦斯突出危险性预测.应用结果表明,煤与瓦斯突出声发射神经网络预测法具有预测方法简单、准确性高等特点,可应用于工作面煤与瓦斯突出危险性的预测.     

小波包变换在煤与瓦斯突出预测中的应用

针对目前滤噪技术不能很好地使声发射监测得以准确预报的情况,进行了基于小波包变换的去噪研究.该研究利用信号的小波包分析、计算和最优小波包基选取的方法,通过计算机数值计算,模拟了强噪声下声发射信号检测,并通过Sym8小波包与小波变换去噪的比较,证明前者优于后者.用小波包变换进行消噪处理,噪声消除彻底,提高了预警准确性.